Hungry like the wolf: A word‐pattern analysis of the language of psychopaths
Notice bibliographique
Résumé
Purpose. This study used statistical text analysis to examine the features of crime narratives provided by psychopathic homicide offenders. Psychopathic speech was predicted to reflect an instrumental/predatory world view, unique socioemotional needs, and a poverty of affect. Methods. Two text analysis tools were used to examine the crime narratives of 14 psychopathic and 38 non‐psychopathic homicide offenders. Psychopathy was determined using the Psychopathy Checklist‐Revised (PCL‐R). The Wmatrix linguistic analysis tool () was used to examine parts of speech and semantic content while the Dictionary of Affect and Language (DAL) tool () was used to examine the emotional characteristics of the narratives. Results. Psychopaths (relative to their counterparts) included more rational cause‐and‐effect descriptors (e.g., ‘because’, ‘since’), focused on material needs (food, drink, money), and contained fewer references to social needs (family, religion/spirituality). Psychopaths’ speech contained a higher frequency of disfluencies (‘uh’, ‘um’) indicating that describing such a powerful, ‘emotional’ event to another person was relatively difficult for them. Finally, psychopaths used more past tense and less present tense verbs in their narrative, indicating a greater psychological detachment from the incident, and their language was less emotionally intense and pleasant. Conclusions. These language differences, presumably beyond conscious control, support the notion that psychopaths operate on a primitive but rational level.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».